D0I:10.13374/1.issnl00103.2008.10.0☒ 第30卷第10期 北京科技大学学报 Vol.30 No.10 2008年10月 Journal of University of Science and Technology Beijing 0t.2008 改进粒子群优化神经网络及其在产品质量建模中的应 用 王建国12) 阳建宏)云海滨)徐金梧) 1)北京科技大学机械工程学院，北京1000832)内蒙古科技大学机械工程学院，包头014010 摘要针对传统神经网络优化算法易陷入局部最优值的问题，在标准粒子群算法的基础上，对粒子速度与位置更新策略进 行改进，提出一种基于改进粒子群优化算法的BP神经网络建模方法·使用sie函数、波士顿住房数据及某钢厂带钢热镀锌生 产的实际数据进行验证·结果表明，与标准的反向传播神经网络和支持向量机相比，基于改进粒子群优化的神经网络模型可 以有效提高预测精度. 关键词BP神经网络：粒子群优化算法；产品质量模型：带钢热镀锌 分类号TP183 Improved particle swarm optimized back propagation neural network and its ap- plication to production quality modeling WA NG Jianguo2).YANG Jianhong),YUN Haibin2).XU Jinwu) 1)School of Mechanical Engineering.University of Science and Technology Beijing.Beijing 100083,China 2)Mechanical Engineering School.University of Science and Technology Inner Mongolia.Baotou 014010.China ABSTRACI In order to solve the difficulties of tendency to local optima in conditional optimization algorithms for back propagation neural network(BPNN).with improvements in the strategy for updating the particle's velocity and location,this paper proposed a new back propagation neural network modeling method based on improved particle swarm optimization.The data from sinc function. Boston housing problem and the real strip hot-dip galvanizing production in an iron and steel corporation were used for verification. The results show that,compared with the standard BPNN and support vector machine algorithms,the proposed method can effective- ly help the BPNN to get a better regression precision and prediction performance. KEY WORDS BP neural network:particle swarm optimization:production quality modeling:strip hot-dip galvanizing 获取产品质量指标与生产过程工艺参数间的对 于复杂的网络，反向传播算法(back propagation al- 应关系，可以预测产品质量，控制、优化生产过程，因 gorithm,BP)有可能陷入局部最小值，而不能保 而近年来得到了广泛的关注，当前比较常用的产品 证收敛到全局极小值，因此，神经网络训练中对权 质量建模方法有理论建模、统计分析建模和人工智 值和阈值的优化是建模过程的重要研究内容. 能法建模等山.基于神经网络的产品质量模型的输 粒子群优化算法(particle swarm optimization, 入和输出直接对应着生产过程参数和产品质量参 PS0)[是一种基于群智能方法的演化计算技术，属 数，适用于多输入多输出的建模过程，并具有非线性 于演化计算领域中的一个新的分支，采用粒子群算 模型拟合能力，已成为近年来研究最多和应用范围 法对神经网络的权值和阈值进行训练，可以有效避 广泛的一种质量建模方法，理论上三层的前向神经 免算法收敛到局部最小值，但是由于PS0算法在 网络可以逼近任何连续的非线性函数2]，但是对 优化过程中所有粒子都向最优解的方向移动，所以 收稿日期：2008-05-10修回日期：2008-07-31 基金项目：北京市自然科学基金资助项目(N。,3062012) 作者简介：王建国(1958一)：男，教授，博士研究生；徐金梧(1949一)，男，教授，博士生导师，Emal:jwxu@ustb.edu-cn改进粒子群优化神经网络及其在产品质量建模中的应 用 王建国1‚2） 阳建宏1） 云海滨2） 徐金梧1） 1） 北京科技大学机械工程学院‚北京100083 2） 内蒙古科技大学机械工程学院‚包头014010 摘 要 针对传统神经网络优化算法易陷入局部最优值的问题‚在标准粒子群算法的基础上‚对粒子速度与位置更新策略进 行改进‚提出一种基于改进粒子群优化算法的 BP 神经网络建模方法．使用 sinc 函数、波士顿住房数据及某钢厂带钢热镀锌生 产的实际数据进行验证．结果表明‚与标准的反向传播神经网络和支持向量机相比‚基于改进粒子群优化的神经网络模型可 以有效提高预测精度． 关键词 BP 神经网络；粒子群优化算法；产品质量模型；带钢热镀锌 分类号 TP183 Improved particle swarm optimized back propagation neural network and its ap￾plication to production quality modeling W A NG Jianguo 1‚2）‚Y A NG Jianhong 1）‚Y UN Haibin 2）‚XU Jinw u 1） 1） School of Mechanical Engineering‚University of Science and Technology Beijing‚Beijing100083‚China 2） Mechanical Engineering School‚University of Science and Technology Inner Mongolia‚Baotou014010‚China ABSTRACT In order to solve the difficulties of tendency to local optima in conditional optimization algorithms for back propagation neural network （BPNN）‚with improvements in the strategy for updating the particle’s velocity and location‚this paper proposed a new back propagation neural network modeling method based on improved particle swarm optimization．T he data from sinc function‚ Boston housing problem and the real strip hot-dip galvanizing production in an iron and steel corporation were used for verification． T he results show that‚compared with the standard BPNN and support vector machine algorithms‚the proposed method can effective￾ly help the BPNN to get a better regression precision and prediction performance． KEY WORDS BP neural network；particle swarm optimization；production quality modeling；strip hot-dip galvanizing 收稿日期：2008-05-10 修回日期：2008-07-31 基金项目：北京市自然科学基金资助项目（No．3062012） 作者简介：王建国（1958—）‚男‚教授‚博士研究生；徐金梧（1949—）‚男‚教授‚博士生导师‚E-mail：jwxu＠ustb．edu．cn 获取产品质量指标与生产过程工艺参数间的对 应关系‚可以预测产品质量‚控制、优化生产过程‚因 而近年来得到了广泛的关注．当前比较常用的产品 质量建模方法有理论建模、统计分析建模和人工智 能法建模等［1］．基于神经网络的产品质量模型的输 入和输出直接对应着生产过程参数和产品质量参 数‚适用于多输入多输出的建模过程‚并具有非线性 模型拟合能力‚已成为近年来研究最多和应用范围 广泛的一种质量建模方法．理论上三层的前向神经 网络可以逼近任何连续的非线性函数［2—3］．但是对 于复杂的网络‚反向传播算法（back propagation al￾gorithm‚BP） ［4］有可能陷入局部最小值‚而不能保 证收敛到全局极小值．因此‚神经网络训练中对权 值和阈值的优化是建模过程的重要研究内容． 粒子群优化算法（particle swarm optimization‚ PSO） ［5］是一种基于群智能方法的演化计算技术‚属 于演化计算领域中的一个新的分支．采用粒子群算 法对神经网络的权值和阈值进行训练‚可以有效避 免算法收敛到局部最小值．但是由于 PSO 算法在 优化过程中所有粒子都向最优解的方向移动‚所以 第30卷 第10期 2008年 10月 北 京 科 技 大 学 学 报 Journal of University of Science and Technology Beijing Vol．30No．10 Oct．2008 DOI:10．13374／j．issn1001－053x．2008．10．023